Post on 01-Sep-2018
1
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Instituto Superior Politécnico de ViseuEscola Superior de Tecnologia de ViseuCurso de Engenharia de Sistemas e Informática
Manuel A. E. Baptista, Eng.º
Processamento Digital de SinalAula 44.º Ano – 2.º Semestre
2
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Programa:
1. Introdução ao Processamento Digital de Sinal
2. Representação e Análise de Sinais
3. Estruturas e Projecto de Filtros FIR e IIR
4. Processamento de Imagem
5. Processadores Digitais de Sinal
3
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Bibliografia:Processamento Digital de Sinal:•Sanjit K. Mitra, “Digital Signal Processing – A computer based approach”, McGraw Hill, 1998 Cota: 621.391 MIT DIG•Roman Kuc, “Introduction to Digital Signal Processing”, McGraw Hill, 1988.Cota: 621.391 KUC INT•Johnny R. Johnson, “Introduction to Digital Signal Processing”, Prentice-Hall, 1989.Cota: 621.391 JOH INTG. Proakis, G. Manolakis, “Digital Signal Processing – Principles, Algorithms Applications”, 3ª Ed, P-Hall, 1996.Cota: 621.391 PRO DIG•James V. Candy, “Signal Processing – The modern Approach”, McGraw-Hill, 1988Cota: 621.391 CAN SIG•Mark J. T., Russel M., “Introduction to DSP – A computer Laboratory Textbook”, John Wiley & Sons, 1992.Cota: 621.391 SMI INT•James H. McClellan e outros, “Computer-Based Exercises - Signal Proc. Using Matlab 5”, Prentice-Hall, 1998.Cota: 621.391 MCC COM
Processamento Digital de Imagem:•Rafael C. Gonzalez & Richard E. Woods, “Digital Image Processing ”, Prentice Hall, 2ª Ed., 2002.Cota: 681.5 GON DIG. •I. Pittas H. McClellan e outros, “Digital Image Processing Algorithms and Applications”, John Wiley & Sons, 2000. Cota: 621.391 PIT. •William K. Pratt, “Digital image processing”, John Wiley, 2ª Ed, 1991. Cota: 681.5 PRA DIG •Bernd Jãhne, “Digital image processing : concepts, algorithms, and scientific applications”, Springer, 1997. Cota: 681.5 JAH
4
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Avaliação:
A avaliação é composta pela componente teórica e componente prática ponderadas da seguinte forma:
Classificação Final = 80% * Frequência ou exame + 20% * Prática
O acesso ao exame não está condicionado embora não tenha função de melhoria, ou seja, se o aluno entregar a prova de exame, será essa a classificação a utilizar no cálculo da média final independentemente da nota da prova de frequência obtida.
A avaliação prática é constituída por trabalhos laboratoriais a executar em MATLAB
5
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
2. Representação e Análise de Sinais (cont.)
• Análise de Fourier– Transformada de Fourier (FT)
– FT & generalised impulse
– Princípio da Incerteza
– Transformada Discreta de Fourier no Tempo (DTFT)
– Transformada Discreta de Fourier (DFT)
– Comparação: DFS, DTFT & DFT
– DFT leakage & coherent sampling
6
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Análise de Fourier: Porquê?
• Rápida & eficiente inspecção nos blocos de construção do sinal.
• Simplificação do Problema Original - ex.: resolução de Eq. Diferenciais.
• Poderosa & complementar às técnicas de análise no domínio do tempo.
• Várias transformadas em DSPing: Fourier, Laplace, z, etc.
tempo, t frequência, fF
s(t) S(f) = F[s(t)]
análise
síntese
s(t), S(f) : Par de Transformadas
Transformada geral como uma ferramenta de resolução dum
problema.
7
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Análise de Fourier - ferramentasSinal de Entrada no Tempo Espectro de Frequência
∑−
=
−⋅=
1N
0n
Nnkπ2
jes[n]
N
1kc~
Discreto
DiscretoDFSPeriódico (período T)
ContinuoDTFTAperiódico
DiscretoDFTDFT
nfπ2jen
s[n]S(f) −⋅∞+
−∞== ∑
0
0.5
1
1.5
2
2.5
0 2 4 6 8 10 12
time, tk
0
0.5
1
1.5
2
2.5
0 1 2 3 4 5 6 7 8
time, tk
∑−
=
−⋅=
1N
0n
Nnkπ2
jes[n]
N
1kc~
**
**
Calculado via FFT**
dttfπj2
es(t)S(f)−∞+
∞−⋅= ∫
dtT
0
tωkjes(t)T
1kc ∫ −⋅⋅=Periódico
(período T)Discreto
ContinuoFTAperiódico
FSContínuo
0
0.5
1
1.5
2
2.5
0 1 2 3 4 5 6 7 8
time, t
0
0.5
1
1.5
2
2.5
0 2 4 6 8 10 12
time, t
Nota: j =√-1, ω = 2π/T, s[n]=s(tn), N = No. of samples
8
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Integral de Fourier (FI)Ferramentas de Análise de Fourier para sinais aperiódicos.
{ }∫∞+
⋅+⋅=0
dωt)sin(ω)B(ωt)cos(ω)A(ωs(t)
Any aperiodic signal s(t) can be expressed as a Fourier integral if s(t) piecewise smooth(1) in any finite interval (-L,L) and absolute integrable(2).
Teorema do Integral de Fourier
(3)
+∞<∞+
∞∫ dt-
s(t)(2)
s(t) contínuo, s’(t) monótona(1)
∫∞+
∞−⋅= dtt)cos(ωs(t)
π
1)A(ω ∫
∞+
∞−⋅= dtt)sin(ωs(t)
π
1)B(ω(3)
Par de Transformadas - FT
dttωj
es(t))S(ω−∞+
∞−⋅= ∫anális
e
ωdtωj
e)ωS(π2
1s(t) ∫
∞+∞−
⋅⋅=sín
tese
Forma ComplexaLigação Real-Complexo
[ ])B(ωj)A(ωπ)S(ω ⋅−⋅=
9
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Resumo
FS
Sinal →
Tempo
Frequência
FI
ak, bk A(ω), B(ω)
Periódico Aperiódico
ck C(ω)
Domínio ↓
real
complexo
FT
10
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Da Série - FS para a Transformada - FTFS tende para FT quando o período T aumenta:
espectro contínuo
2 τ
0 50 100 150 200
f
|S(f)|
FT
0
0.2
0.4
0.6
0.8
1
0 50 100 150 200
k f
|ak|
T = 0.05
0
0.1
0.2
0.3
0.4
0.5
0 50 100 150 200
k f
|ak|
T = 0.1
0
0.05
0.1
0.15
0.2
0.25
0 50 100 150 200
k f
|ak|
T = 0.2
Trem de impulsos, largura 2 τ = 0.025
T
2 τ
t
s(t)
Nota: |ak|→2 a0 com k→0 ⇒ 2 a0 é traçado em k=0
Espaçamento na Frequência →0 !
11
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Obtenção da FT a partir da FS
∫−
⋅⋅=T/2
T/2
dttωkj-es(t)T
1kc
∑∞
−∞=⋅=
k
tωkjekcs(t)
∆f = ∆ω/(2π) = 1/T espaçamento na frequência
Com ∆f →0 , troca-se ∆f , ωK ,
por df, 2πf,
∑∞
−∞=kω
∫∞+
∞−
Definição de FS∫
−⋅=≡
T/2
T/2
dttωj-es(t)∆f
ωcωΓ kk
k
∑∞
−∞=⋅=
k
kk
ω∆ftωjeωΓs(t)
2
kk ωc
T/2
T/2
dttωj-es(t)∆fkc ≡−
⋅⋅= ∫
∑∞
−∞=⋅=
k
kk
ω
tωjeωcs(t)1 dttωjes(t)ωΓ
0∆flimS(f)
k
−⋅∞+
∞−=
→= ∫
∫∞+
∞−⋅= dfftj2πeS(f)s(t)
Definição de FT
12
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
FT & Delta de Dirac
A FT dum impulso δ (Dirac) é uma exponencial complexa
<<=−⋅∫
otherwise,0
b0taif,)0y(t
dt)0t(tδb
a
y(t)
=
≠=−
0ttundefined,
0ttif,0
)0t(tδ
Definição de δ Dirac
)0y(tdt)0t(tδ
-
y(t) =−∞+
∞⋅∫Assim
FT dum trem infinito de impulsos δ:
t
T
f
1/T
∑∑∑∞+
−∞=
∞+
−∞=
∞+
−∞=⋅−==
−mm
Tωmj
k
m)T
π2(ωδ
T
2πekT)(tδFT
i.e: Função de Amostragem, Shah(T) = Щ(T) ou “comb”
Nota: δ & Щ = funções “generalizadas “
{ } 0tfπ2je)0t(tδFT −=−
FT do Dirac δ propriedade
{ } )α(ωδ2πeFT tαj −=
13
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Transformada de Fourier - FT - Propriedades
Linearidade a·s(t) + b·u(t) a·S(f)+b·U(f)
Multiplicação s(t)·u(t)
Convolução S(f)·U(f)
Deslocamento em t
Deslocamento em f
Inversão no Tempo s(-t) S(-f)
Diferenciação j2πf S(f)
Identidade de Parseval ∫ h(t) g*(t) dt = ∫ H(f) G*(f) df
Integração S(f)/(j2πf )
Energia & Parseval’s(E is t-to-f invariant)
Tempo Frequência
fd)fU()fS(f∫∞+
∞−⋅−
td)t
-
u()ts(t∫∞+
∞⋅−
S(f)tf2πje ⋅−
s(t)fπ2je ⋅+
)ts(t −
∫∫∞+
∞
∞+
∞==
-
df2S(f)
-
dt2s(t) E
dt
ds(t)
∫∞
t
-
dus(u)
)f-S(f
14
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
FT – Princípio da Incerteza
Princípio da Incerteza de Fourier
⇒ ∆t•∆f ≥ 1/4π
Implicações• Limited accuracy on simultaneous observation of s(t) & S(f).
• Good time resolution (small ∆t) requires large bandwidth ∆f & vice-versa.
Para duração efectiva ∆t & Larg. de Banda ∆f
∃ γ > 0 ∆t•∆f ≥ γProduto incerteza
Teorema Larg. Banda
Para Sinais de Energia:
E=∫ |s(t)|2dt = ∫|S(f)|2df < ∞
dts(t)tE
1t 22 ∫
+∞
∞−
⋅⋅= dfS(f)fE
1f 22 ∫
+∞
∞−
⋅⋅=
Define valores médios
dts(t))t(tE
1∆t 22 ⋅−⋅= ∫
+∞
∞−dfS(f))f(f
E
1∆f 22 ⋅−⋅= ∫
+∞
∞−
Define desv. pad
15
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
-20 -10 0 10 20
f/Hz
|S(f)|2
10-5
10-4
10-1
-0.1
0
0.1
0.2
-20 -10 0 10 20
f/Hz
S(f)
τ = 0.1
-τ τ t
s(t) 1
-0.1
0
0.1
0.2
0.3
0.4
-20 -10 0 10 20
f/Hz
S(f)
-20 -10 0 10 20
f/Hz
|S(f)|2
10-5
10-4
10-1
10-3
10-2
1
τ = 0.2
-τ τ t
s(t) 1
τ = 0.4
-τ τ t
s(t) 1
-0.2
0
0.2
0.4
0.6
0.8
-20 -10 0 10 20
f/Hz
S(f)
-20 -10 0 10 20
f/Hz
|S(f)|2
10-5
10-4
10-1
10-3
10-2
1
FT - ExemploFT de 2τ-Janela Rectangular
Escolha∆t = |∫s(t)/s(0) dt| = 2τ,∆f = |∫S(f)/S(0) df|=1/(2τ) = metade da distância entre os 2 primeiros zeros (f1,-1 = ±1/2τ) of S(f)então: ∆t · ∆f = 1
Incerteza de Fourier
Gráfico Power Spectral Density(PSD) vs. Frequência f.
Note: : As fases não são importantes
S(f) = 2τ sMAX sync(2fτ)
16
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
FT – Espectro de Potência
POTS = Voice/Fax/modem PhoneHPNA = Home Phone Network
Bandas PSD dos Sinais Telefónicos
US = UpstreamDS = Downstream
A partir do espectro de potência, pode-se saber se os sinais coexistem sem interferirem.
Power Spectral Density, PSD(f) = dE/df = |S(f)|2
17
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
FT – Formas de Onda mais importantes
18
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Transformada Discreta de Fourier no Tempo - DTFT
Nota: domínio contínuo da frequência! (função densidade da frequência)
Para sinais aperiódicos
∑−
=
−⋅=
1N
0n
Nnkπ2
jes[n]
N
1kc~
n
s[n] 1 period
n
s[n]
∫⋅=2π
0
nfπ2j dfS(f)e2π
1s[n]
sínte
se
nfπ2j
n
es[n]S(f) −+∞
−∞=⋅= ∑anális
e
Obtida a partir DFS com N → ∞
DTFT definida como:
19
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DTFT - ConvoluçãoSistema Digital Linear Invariante no Tempo: obedece ao princípio da sobreposição.
∑∞
=⋅−=∗=
0m
h[m]m]x[nh[n]x[n]y[n]x[n] h[n]
Convolução
X(f) H(f) Y(f) = X(f) · H(f)
DIGITAL LTI SYSTEM
h[n]
x[n] y[n]
h[t] = resposta impulsional
DIGITAL LTI
SYSTEM 0 n
δ[n] 1
0 n
h[n]
0 f
DTFT(δ[n])
1
20
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DTFT - Amostragem/Convolução
s[n] * u[n] ⇔ S(f) · U(f) ,
s[n] · u[n] ⇔ S(f) * U(f)
(Das propriedades da FT)
Tempo Frequência
t f
s(t) S(f)
t f
ts fs u(t) U(f)
n f
s”[n] S”(f)
Amostragem s(t)
Multiplicação s(t) byShah = Щ(t)
21
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Transformada Discreta de Fourier - DFT
∑−
=⋅=
1N
0k
Nnk2π
jekcs[n] ~sín
tese
DFT definida como:
Nota: ck+N = ck ⇔ o espectro tem período N~~
∑−
=
−⋅=
1N
0n
Nnk2π
jes[n]
N
1kc~anális
e
Aplica-se a sinais discretos no tempo e na frequência.A mesma forma da DFS mas para sinais aperiódicos:sinal tratado como periódico apenas para efeitos computacionais.
Impulsos da DFT localizados nas frequências de análise fm
DFT ~ filtros passa-banda centrados em fm
Resolução na frequência
Frequências em análise fm
1N...20,m,N
fmf Sm −=
⋅=
22
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DFT - impulso & sinusóide
ck = (1/N) e-jπk(N-1)/N sin(πk)/ sin(πk/N)~~
a) Impulso rectangular, largura N
r[n] =1 , se 0≤n≤N-1
0 , outros
b) Sinusóide real, frequência f0 = L/N
cos[n] = cos(j2πf0n)
ck = (1/N) ejπ{(Nf0-k)-(Nf0 -k)/N} (½) sin{π(Nf0-k)}/ sin{π(Nf0-k)/N)} +
(1/N) ejπ{(Nf0+k)-(Nf0+k)/N} (½) sin{π(Nf0+k)}/ sin{π(Nf0+k)/N)}
~
i.e. L completa ciclos em N pontos amostrados
-5 0 1 2 3 4 5 6 7 8 9 10 n 0 N
s[n] 1
0 1 2 3 4 5 6 7 8 9 10 k
1 1
ck ~
23
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT - Exemplos
Os traçados DFT sãoversões amostradas daDTFT janelada.
24
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Linearidade a·s[n] + b·u[n] a·S(k)+b·U(k)
Multiplicação s[n] ·u[n]
Convolução S(k)·U(k)
Deslocamento em t s[n - m]
Deslocamento em f S(k - h)
∑−
=⋅
1N
0h
h)-S(h)U(kN
1
∑−
=−⋅
1N
0m
m]u[ns[m]
S(k)e Tmk2π
j⋅
⋅−
s[n]Tth2π
je ⋅
+
DFT - PropriedadesTempo Frequência
25
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DTFT vs. DFT vs. DFS
t 0 T /2 T 2T f
s[n] S (f)
f
~ cK
t
s”[n] DFT IDFT
(a)
(a) Sinal discreto aperiódico.
(b)
(b) Transformada DTFT - módulo.
(c)
(c) Versão periódica de (a).
(d)
(d) Coeficientes DFS = amostras de (b).
(e)
(e) A Inversa de DFT estima um único período de s[n]
(f)
(f) A DFT estima um único período de (d).
26
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DFT – leakage
Spectral components belonging to frequencies between two successivefrequency bins propagate to all bins.
Leakage
Ex: 32 impulsos da DFT da sinusóide 1 VP amostrada a f=32kHz. Resolução/frequência 1 kHz.
(b)(b) Sinusóide - 8.5 kHz
(c)(c) Sinusóide 8.75 kHz
(a)(a) Sinusóide - 8 kHz
* Módulo
*
27
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
1. Cosine wave
DFT – Exemplo: leakages(t) FT{s(t)}
2. Rectangular window4. Sampling function1. Cosine wave
0.25 Hz - Co-seno
3. Windowed cos wave5. Sampled windowedwave
O Leakage é causado pela amostragem num número não inteiro de períodos!!!
s[n] · u[n] ⇔ S(f) * U(f) (Convolução)
28
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
2. Rectangular window4. Sampling function1. Cosine wave
1. Cosine wave3. Windowed cos wave5. Sampled windowedwave
DFT – Amostragem Coerentes(t) FT{s(t)}
Coherent sampling: NC input cycles exactly into NS = NC (fS/fIN) sampled points.
s[n] ·u[n] ⇔ S(f) * U(f) (Convolução)
0.2 Hz Co-seno
29
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT - Transformada Discreta de Fourier
Considere a sequência finita x[n] e a periódica associada
∑∞
−∞=
−=r
rNnxnx ][][~
][~ nx
−≤≤
=outros
Nnnxnx
,010],[~
][
ou ]))[((][~Nnxnx =
Se comprimento de x[n] ≤ N
Pela propriedade da Dualidade da DFS
30
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Temos que:
−≤≤
=outros
NkkXkX
,010],[~
][
ou ]))[((][~NkXkX =
Podemos definir a DFT de N pontos:
∑−
=
−=1
0
2
].[][N
n
njk NenxkXπ
∑−
=
=1
0
2
].[1][N
k
njk NekXN
nxπ
Eq. de análise:
Eq. de síntese:
DFT - Transformada Discreta de Fourier
31
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
∑−
=
−=1
0
2
].[][N
n
njk NenxkXπ
∑−
=
=1
0
2
].[1][N
k
njk NekXN
nxπ
][][ )( kXnx NDFT →←Interpretações:
- , DFS de x[n], é uma amostragem do espectro X(ω)
-X[k] uma amostragem de 1 período de X(ω) espectro do sinal não periódico.
-X[k] é um período do espectro do sinal periódico associado][~kX ][~ nx
][~kX
DFT - Transformada Discreta de Fourier
32
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DFT de um sinal contínuo não limitado no tempo
DFT
33
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
Exemplo:
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
N=5
N=6
N=8
aliasing
34
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 1 2 3 4 5 6 70
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5N=10 N=25
N=50
35
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
0 10 20 30 400
0.5
1
0 10 20 30 400
20
40
0 10 20 30 40-1
0
1
0 10 20 30 400
10
20
0 10 20 30 40-1
0
1
0 10 20 30 400
10
20
0 10 20 30 40-1
0
1
0 10 20 30 400
20
40
DFT – Sinais sinusoidais
36
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
0 5 10 15 20 25 30 35-1
-0.5
0
0.5
1
0 5 10 15 20 25 30 350
5
10
15
Porém:
37
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT Sinal limitado em frequênciacom limitação igual ao período.
38
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DFT Sinal limitado em frequência.com limitação diferente do período.
39
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT - PropriedadesLinearidade: ][][ 1
)(1
3 kXnx NDFT →←
][][ 2)(
23 kXnx NDFT →←
3( )1 2 1 2. [ ] . [ ] . [ ] . [ ]DFT Na x n b x n a X k b X k+ ← → +
Deslocamento Circular: ][][ )( kXnx NDFT →←
mjkNDFTN
NekXmnxπ2
].[]))[(( )( − →←−
Dualidade: ][][ )( kXnx NDFT →←
]))[((.][ )(N
NDFT kxNnX − →←
},max{ 213 NNN ≥
10 −≤≤ Nn
10 −≤≤ Nk
40
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
DFT - Convolução Circular
][][ 1)(
1 kXnx NDFT →←
][][ 2)(
2 kXnx NDFT →←
∑−
=
−=1
02122 ][~].[~][~][~ N
M
mnxmxnxnx *
Nada mais é do que a convolução periódica considerando sinais de duração finita x1[n] e x2[n]
Linear:Sinais ilimitados
∑∞
−∞=
−=m
mnxmxnxnx ][].[][*][ 2121
Periódica:Sinais periódicos
∑−
=
−=1
02121 ]))[((].))[((][][
N
mNN mnxmxnxnx NCircular:
Sinais limitados
][].[][][ 21)(
21 kXkXnxnx NDFT →←N
41
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT - Convolução Linear
Existem algoritmos muito eficientes p/ cálculo da DFT algoritmos de FFT -Fast Fourier Transform
Pelo que, é eficiente implementar a convolução de 2 sinais através dos seguintes passos:
1. Calcular as DFTs de x1[n] e x2[n], X1[k] e X2[k]
2. Calcular X3[k]=X1[k].X2[k]
3. Calcular IDFT de X3[k], x3[n], obtendo:
][][][ 213 nxnxnx = N
Porém muitas vezes desejamos: ][][][ 213 nxnxnx ∗=
42
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004
Man
uel
A. E
. Bap
tist
a
Ern
esto
R. A
fon
so
Sendo:Pocomprimentdenx
Locomprimentdenx
][][
2
1
O resultado da convolução circular de N amostras será igual à convolução linear se:
1−+≥ PLN
Porém, se um dos sinais tiver comprimento indeterminado (processamento em tempo real).
Dois métodos implementam uma forma eficiente de cálculo da convolução linear através da DFT.
Overlap-add e Overlap-save
43
SIST
EMAS
DE
PROC
ESSA
MEN
TO D
IGIT
AL
Departamento de Informática
2003-2004M
anu
el A
. E. B
apti
sta
Ern
esto
R. A
fon
so
DFT - Resumo das Propriedades